AI BENCHY Compare

Inception: Mercury 2 vs xAI: Grok Build 0.1

Ringkasan

Perbandingan benchmark Mercury 2 vs Grok Build 0.1: Skor rata-rata hampir imbang di 7.5 vs 7.6. Mercury 2 memiliki biaya benchmark lebih rendah di $0.058 vs $0.927. Mercury 2 lebih cepat di 2.24s vs 49.90s, dengan tingkat keberhasilan 54.0% vs 61.9%.

Model yang direkomendasikan: Mercury 2 - It has the best score here (7.5), while costing about 16.0x less than Grok Build 0.1.

Benchmark dihasilkan dari suite pengujian AI BENCHY pada: 2026-06-18

Metrik	Mercury 2 Mercury 2 medium Rilis: 2026-02-24	Grok Build 0.1 Grok Build 0.1 medium Rilis: 2026-05-21

Metrik	Mercury 2 Mercury 2 medium Rilis: 2026-02-24	Grok Build 0.1 Grok Build 0.1 medium Rilis: 2026-05-21
Skor	7.5	7.6
Peringkat	#44	#42
Keandalan	10.0	10.0
Konsistensi	8.8	9.9
Tes benar
Tingkat lulus per percobaan	54.0%	61.9%
Tes tidak stabil	3	0
Total Run	63	63
Biaya per hasil	0.578	7.124
Total Biaya	$0.058	$0.927
Harga input	$0.250 / 1M	$1.000 / 1M
Harga output	$0.750 / 1M	$2.000 / 1M
Total token input	35,116	44,418
Token output	4,048	2,782
Token penalaran	61,219	438,018
Waktu respons (rata-rata)	2.24s	49.90s
Waktu respons (maks)	14.63s	252.69s
Waktu respons (total)	44.72s	1047.92s

Showcase generasi

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#44 Mercury 2

medium

Biaya: $0.002
Waktu: 2.1s
Token: 1,702 tok

#42 xAI: Grok Build 0.1

medium

Biaya: $0.028
Waktu: 81.3s
Token: 14,009 tok

Model teratas berdasarkan skor

Skor vs Total Biaya

Waktu respons (rata-rata)

Skor vs Waktu respons (rata-rata)

Total token output

Skor vs Total token output

Rincian Kategori

Trik anti-AI	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Mercury 2	6.9	9.9	50.0%	0		1.12s	554	2,546	2,609
Grok Build 0.1	8.3	10.0	75.0%	0		7.43s	2,010	220	12,162

Pemrograman	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Mercury 2	8.2	7.7	77.8%	1		2.04s	7,065	296	11,328
Grok Build 0.1	5.7	9.7	33.3%	0		108.46s	8,304	1,138	161,452

Gabungan	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Mercury 2	10.0	10.0	100.0%	0		3.28s	12,909	268	4,887
Grok Build 0.1	10.0	10.0	100.0%	0		32.81s	12,909	231	16,917

Parsing dan ekstraksi data	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Mercury 2	7.3	5.9	83.3%	1		1.11s	6,234	183	1,656
Grok Build 0.1	10.0	10.0	100.0%	0		10.72s	7,761	180	8,876

Spesifik domain	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Mercury 2	2.9	7.2	11.1%	1		6.48s	695	41	30,754
Grok Build 0.1	5.3	10.0	33.3%	0		158.00s	1,764	492	175,294

Kecerdasan umum	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Mercury 2	4.8	10.0	0.0%	0		821ms	456	137	542
Grok Build 0.1	4.4	9.9	0.0%	0		18.41s	825	76	6,345

Kepatuhan instruksi	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Mercury 2	10.0	10.0	100.0%	0		1.07s	340	14	958
Grok Build 0.1	9.8	10.0	100.0%	0		12.36s	1,362	57	9,599

Pemecahan teka-teki	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Mercury 2	5.4	10.0	33.3%	0		949ms	601	361	2,781
Grok Build 0.1	7.7	10.0	66.7%	0		18.26s	1,689	195	20,841

Pemanggilan alat	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Mercury 2	10.0	10.0	100.0%	0		1.89s	6,080	180	1,956
Grok Build 0.1	10.0	10.0	100.0%	0		13.12s	7,263	180	4,969

Pengetahuan umum	Skor	Konsistensi	Tingkat lulus per percobaan	Tes tidak stabil	Tes benar	Waktu respons (rata-rata)	Token input	Token output	Token penalaran
Mercury 2	3.0	10.0	0.0%	0		2.58s	182	22	3,748
Grok Build 0.1	3.0	10.0	0.0%	0		53.51s	531	13	21,563

Perbandingan Cepat

Ganti Pasangan Perbandingan

DeepSeek V4 ProhighvsGrok Build 0.1medium Mercury 2mediumvsGPT-5.3 Chatnone DeepSeek V4 ProhighvsMercury 2medium GPT-5.3 ChatnonevsGrok Build 0.1medium Step 3.7 FlashlowvsGrok Build 0.1medium Mercury 2mediumvsStep 3.7 Flashlow Gemini 3 Flash PreviewlowvsMercury 2medium Gemini 3 Flash PreviewlowvsGrok Build 0.1medium Claude Sonnet 4.6nonevsMercury 2medium Claude Sonnet 4.6nonevsGrok Build 0.1medium Claude Opus 4.8nonevsMercury 2medium Claude Opus 4.8nonevsGrok Build 0.1medium